CN107132539A - 一种基于小基线集的时间序列InSAR的滑坡早期识别方法 - Google Patents
一种基于小基线集的时间序列InSAR的滑坡早期识别方法 Download PDFInfo
- Publication number
- CN107132539A CN107132539A CN201710306241.2A CN201710306241A CN107132539A CN 107132539 A CN107132539 A CN 107132539A CN 201710306241 A CN201710306241 A CN 201710306241A CN 107132539 A CN107132539 A CN 107132539A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- image
- phase
- registration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/9021—SAR image post-processing techniques
- G01S13/9023—SAR image post-processing techniques combined with interferometric techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/904—SAR modes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/904—SAR modes
- G01S13/9047—Doppler beam sharpening mode
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Astronomy & Astrophysics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于小基线集的时间序列InSAR的滑坡早期识别方法,其包括以下步骤:S1、选取L波段的N+1幅SAR图像;S2、SAR影像聚焦成像;S3、公共影像选取;S4、时间序列SAR影像配准及重采样;S5、根据小基线原则生成差分干涉图;S6、点目标提取与构网;S7、稀疏网格解缠;S8、大气相位的去除;S9、利用SVD方法计算沉降速率。本发明针对滑坡典型易发区域,利用存档的SAR卫星数据,开展了基于时间序列InSAR技术的滑坡形变监测,高精度地发现、掌握了滑坡变形规律,滑坡地质灾害防治提供经济、有效及可靠的微波遥感技术保障。
Description
技术领域
本发明涉及一种基于小基线集的时间序列InSAR的滑坡早期识别方法。
背景技术
川东地区的缓倾岩质滑坡有群发性、突发性、破坏性等特点,大范围(或局地)强降雨天气往往会诱发大量群发性滑坡灾害。2007年川东强降雨诱发达县上百处滑坡发生,2011年9月强降雨导致巴中市南江县境内上千处滑坡发生,仅南江县就新增滑坡1162处,其中规模超1000万方的特大型滑坡就有6处。由于受强降雨触发突然发生,事前并无明显,具有明显的突发性,给人民生命、财产造成巨大的损害。近些年来,针对滑坡的早期识别一直处于前言领域,如何精准地定位和获取潜在滑坡隐患点,避免在极端天气下突发地质灾害成为地学领域的一大难题。
随着合成孔径雷达干涉测量(SAR Interferometry,InSAR)技术的发展,尤其是近年来时间序列InSAR(Time Series InSAR)技术的不断成熟,使大范围、低成本、高精度的三维地形量测及地表形变监测成为可能,并在许多地区获得了应用成果。常规的差分干涉测量(Differential SAR Interferometry,D-InSAR)技术是通过差分处理去除两次观测相位中的共有量(平地效应、地形相位和大气延迟等),得到形变相位,计算出形变量。
PS-InSAR技术的基本原理是利用多景(一般要求大于25景,最少需要10景左右)同一地区的SAR影像,通过统计分析返回的相位和幅度信息,查找不受时间、空间基线去相关和大气变化影响的点目标。这些点目标的回波信号很强,几何尺寸通常远小于影像空间分辨单元,经过很长的时间间隔仍然保持稳定的散射特性,在时间序列InSAR影像中几乎没有斑点噪声的影响,表现出很好的相干性,从而突破了常规InSAR中时间基线和空间基线的限制。小基线集方法(Small Baseline Subset,SBAS)作为一种典型的时间序列PS-InSAR方法,是由Berardina和Lanari等研究人员提出的。不同于传统的单一主影像获取干涉像对的策略,SBAS采用了多主影像基于短时空基线获取干涉像对的方法,同样的观测时间内,积累了尽可能多的干涉图,减弱了时间去相干和空间去相干对估计结果精度的影响。另一方面,不同于传统PS-InSAR方法对缠绕的差分干涉相位建立模型,在估计地面形变相位的过程中完成相位解缠,SBAS是将多幅解缠后的差分干涉图通过奇异值分解方法生成平均形变速率图和形变时间序列图的技术。而且由于滑坡体上多植被茂盛,时间去相干和空间去相干现象非常严重,采用小基线集方法可以减弱时间去相干、空间去相干效应的影响,只保留时空基线都较短的干涉图参与形变量估计,提取滑坡形变信息。
目前,在利用INSAR进行滑坡,专利号[CN 201210056276.2]中,公开了一种基于合成孔径雷达差分干涉测量(D-InSAR)的滑坡动态识别及监测技术。主要包括以下步骤:D-InSAR监测结果的坡向滤波技术提取符合滑坡移动特征的区域;D-InSAR的可信区域分析,以及根据可信区域对监测结果进行可信数据的提取;平坦区域的滤波分析法和移动误差滤波分析法,以及基于时空连续性技术的滑坡识别方法。然而,在实际应用中,D-InSAR应用受到诸多条件的限制。例如:必需选择短时间基线的影像和天气/季节接近的影像,以避免受到过多的时间去相干和大气的影响。
发明内容
本发明要解决的技术问题是克服现有技术的缺陷,提供一种基于小基线集的时间序列InSAR的滑坡早期识别方法,该方法基于合成孔径雷达干涉测量InSAR技术,采用一种典型的时间序列INSAR方法-小基线集方法(SBAS)提取地表形变信息,开展形变监测和时空分析,掌握潜在滑坡的变形规律。
为了解决上述技术问题,本发明提供了如下的技术方案:
本发明公开了一种基于小基线集的时间序列InSAR的滑坡早期识别方法,其包括以下步骤:
S1、选取L波段的N+1幅SAR图像;
S2、SAR影像聚焦成像;
S3、公共影像选取;
S4、时间序列SAR影像配准及重采样;
S5、根据小基线原则生成差分干涉图;
S6、点目标提取与构网;
S7、稀疏网格解缠;
S8、大气相位的去除;
S9、利用SVD方法计算沉降速率。
进一步地,步骤S2具体为:采用距离多普勒算法进行聚焦成像,该算法通过插值运算来消除距离向和方位向耦合;距离多普勒算法包含如下几个处理步骤:
第一步:当数据处在方位时域时,利用快速卷积来进行距离压缩;方法就是先对距离向进行傅利叶变换,之后在频率域里对距离向进行匹配滤波,再经过距离向逆傅利叶变换生成距离压缩的数据;
第二步:对距离压缩后的数据,进行方位傅利叶变换后数据变换至距离多普勒域,多普勒中心频率估计以及大部分的后续处理都在该域进行;
第三步:在距离多普勒域进行随军距离时间及方位频率变化的距离徙动校正,使该域中同一距离上的一组目标轨迹相互重合;经过校正后,距离徙动曲线就可以拉直到与方位频率轴平行的方向;
第四步:通过每一距离门上的频域匹配滤波实现方位压缩;
第五步:最后通过方位逆傅利叶将数据变换回时域,得到压缩后的复图像;如果需要,一般还可以进行幅度检测和多视叠加。
进一步地,步骤S3具体为:基于时间序列的SAR影像的分析技术,首先由SAR影像生成一系列的干涉影像图,具体来说,先从覆盖同一地区的SAR影像中选取一幅公共主影像,其余影像作为从影像与主影像配准并重采样,然后才能生成序列干涉图;公共主影像的选取采用总体相干系数最优法;总体相干系数ρtotal由时间相干性ρtemporal、空间相干性ρspatial、多普勒相干性ρDoppler和热噪声相干ρthermal性决定,可用下式表示:
其中
Tc,和分别为去相干的时间基线、空间垂直基线和多普勒基线的临界值;总体相干系数也作为选择干涉影像对的评价标准,提取出总体相干系数较高的干涉图,组成短时间序列干涉相位。
进一步地,步骤S4具体为:选取主影像之后,需要通过序列SAR影像配准算法,将所有从影像配准到主影像的几何参数,然后对所有从影像进行重采样;影像配准是时间序列InSAR的关键步骤,影像配准采用多级配准的策略,先利用卫星轨道参数计算从影像相对主影像在方位向和距离向的偏移量,再以粗配准得到的偏移量作为精配准的初始值,进行精配准,采用相干系数法进行配准,在初步确定同名点后,在主影像上以该像元点为中心取大小为M×N的矩形窗口内的数据,对应在从影像上以待配准点为中心取出相同大小窗口的数据,计算二者之间的相干系精配准过程获取了从影像相对于主影像的配准参数后,需要对所有从影像进行重采样,使从影像上的每一个像元值精确对应于主影像上的每一个像元;然后在一定的搜索范围内,在从影像上逐步移动窗口,计算每个窗口所对应的相干系数值,精配准过程获取了从影像相对于主影像的配准参数后,需要对所有从影像进行重采样,使从影像上的每一个像元值精确对应于主影像上的每一个像元,采用6点立方卷积插值可以提供较好的重采样精度。
进一步地,步骤S5具体为:根据时间基线阈值、空间基线阈值、平均相干性阈值,生成小基线干涉对;根据选取的小基线干涉组合,逐一生成序列干涉图;N幅配准后的SAR影像可获得M幅差分干涉出,干涉对数量M应满足下式:
地形起伏较大区域,必须借助外部DEM数据,去除地形起伏导致的地形相位的影响,获得差分干涉图。
进一步地,步骤S6具体为:每一个像元的差分干涉相位可以表示为地形相位、DEM误差、大气相位及噪声的组合,在后续的数据处理中可以逐项分离,最终获得点目标的形变量估计值;在时间序列的SAR数据上提取更多的稳健和可靠的稳定点目标是整个形变监测技术的关键步骤,直接影响形变速率的精确提取;采用振幅离差法提取进行点目标提取,利用振幅离差与相位标准偏差之间的统计相关性进行提点。当σφ<0.25rad,即在高信噪比(g/σn>4)的条件下,相位标准偏差σφ近似等于振幅离差DA。
进一步地,步骤S7具体为:根据提取出的点目标,构建稀疏的格网,构网方法采用Delaunay三角网;采用最小费用流法进行相位解缠;最小费用流法是一种整体效果较好的解缠算法,其本质是基于网络流的相位解缠方法,将相位解缠问题转化为最小化问题,通过在全局范围内搜索路径和最短枝切来求得最小化问题的最优解;该算法虽然计算效率较低,但受噪声的影响较小,是一种稳定的、应用广泛的解缠算法。
进一步地,步骤S8具体为:通过时间域和空间域滤波来分离非线性形变和大气相位;各差分干涉图残余相位的均值可以作为主影像的大气相位,在时间域上的低通成分可以作为非线性形变的估计值,在时间域上的高通和空间域上的平滑可以作为在时间T获取的从影像上的大气相位APSslave,把从影像上的大气相位APSslave加到主影像的大气相位上就可以得到差分干涉图的大气相位;估计了出PSC点上的大气相位后,用Kriging插值来拟合并剔除差分干涉图上每一个像元的大气相位。
进一步地,步骤S9具体为:上述步骤中已获取对于从影像tA和主影像tB(tB>tA)时刻获取的SAR影像生成的第j幅差分干涉图,方位向坐标为x和距离向坐标为r的像素的干涉相位可以写成:
式中,j∈(1,...,M),λ是信号的中心波长,d(tB,x,r)和d(tA,x,r)是tB和tA时刻相对于d(t0,x,r)=0的雷达视线方向(LOS)的累积形变量。 Δnj(x,r)分别表示残余的地形相位、大气相位和相干噪声,去掉这些相关干涉后,可以将(1)式简化为:
将(2)式中相位表示为两个获取时间之间的平均相位速度和时间的乘积。
第j幅干涉图的相位值可以写成:
即各时段速度在主、从影像时间间隔上的积分。写成矩阵形式为:
Bv=δφ (5)
式(5)是一个M×N的矩阵。小基线集的差分干涉图采用了多主影像策略,因此矩阵B容易产生秩亏。采用奇异值分解(SVD)方法就可以得到矩阵B的广义逆矩阵,进而得到速度矢量的最小范数解,最后通过各个时间段内速度的积分就可以得到各个时间段的形变量。
本发明所达到的有益效果是:本发明采用PS-INSAR技术,利用多景(一般要求大于25景,最少需要10景左右)同一地区的SAR影像,通过统计分析返回的相位和幅度信息,查找不受时间、空间基线去相关和大气变化影响的点目标。这些点目标的回波信号很强,几何尺寸通常远小于影像空间分辨单元,经过很长的时间间隔仍然保持稳定的散射特性,在时间序列InSAR影像中几乎没有斑点噪声的影响,表现出很好的相干性,从而突破了常规InSAR中时间基线和空间基线的限制。本发明针对滑坡典型易发区域,利用存档的SAR卫星数据,开展了基于时间序列InSAR技术的滑坡形变监测,高精度地发现、掌握了滑坡变形规律,滑坡地质灾害防治提供经济、有效及可靠的微波遥感技术保障。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明的数据处理流程图;
图2是多普勒成像算法流程图;
图3是差分干涉图;
图4是解缠后的序列差分干涉图;
图5是从影像大气相对于主影像大气的差分图;
图6是垂直方向形变分布图;
图7是点目标的各个时间段的形变量。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
图1所示,一种基于小基线集的时间序列InSAR的滑坡早期识别方法,其包括以下步骤:
S1、选取L波段的N+1幅SAR图像:
L波段的长波长优势,不但可以穿透云层,也能穿透一定厚度的植被冠层,获取来自地表的监测信号,减弱因植被生长变化导致的时间去相干效应的影响。另外,在地表发生较大形变,如地震、滑坡时,L波段获取的干涉图条纹密度要明显低于波长较短的数据,所以更易于相位解缠和后续解译。
S2、SAR影像聚焦成像:
采用了距离多普勒算法进行聚焦成像,该算法通过插值运算来消除距离向和方位向耦合。如图2所示,距离多普勒算法主要包含如下几个处理步骤:
第一步:当数据处在方位时域时,可利用快速卷积来进行距离压缩。方法就是先对距离向进行傅利叶变换,之后在频率域里对距离向进行匹配滤波,再经过距离向逆傅利叶变换生成距离压缩的数据。
第二步:对距离压缩后的数据,进行方位傅利叶变换后数据变换至距离多普勒域,多普勒中心频率估计以及大部分的后续处理都在该域进行。
第三步:在距离多普勒域进行随军距离时间及方位频率变化的距离徙动校正,使该域中同一距离上的一组目标轨迹相互重合。经过校正后,距离徙动曲线就可以拉直到与方位频率轴平行的方向。
第四步:通过每一距离门上的频域匹配滤波实现方位压缩。
第五步:最后通过方位逆傅利叶将数据变换回时域,得到压缩后的复图像。如果需要,一般还可以进行幅度检测和多视叠加。
S3、公共影像选取:
基于时间序列的SAR影像的分析技术,首先需要由SAR影像生成一系列的干涉影像图。具体来说,先要从覆盖同一地区的SAR影像中选取一幅公共主影像,其余影像作为从影像与主影像配准并重采样,然后才能生成序列干涉图。公共主影像的选取采用总体相干系数最优法。总体相干系数ρtotal由时间相干性ρtemporal、空间相干性ρspatial、多普勒相干性ρDoppler和热噪声相干ρthermal性决定,可用式(6)表示:
其中
Tc,和分别为去相干的时间基线、空间垂直基线和多普勒基线的临界值。总体相干系数也作为选择干涉影像对的评价标准,提取出总体相干系数较高的干涉图,组成短时间序列干涉相位。
S4、时间序列SAR影像配准及重采样:
选取主影像之后,需要通过序列SAR影像配准算法,将所有从影像配准到主影像的几何参数,然后对所有从影像进行重采样。
影像配准是时间序列InSAR的关键步骤。影像配准采用多级配准的策略,先利用卫星轨道参数计算从影像相对主影像在方位向和距离向的偏移量,再以粗配准得到的偏移量作为精配准的初始值,进行精配准。采用相干系数法进行配准,在初步确定同名点后,在主影像上以该像元点为中心取大小为M×N的矩形窗口内的数据,对应在从影像上以待配准点为中心取出相同大小窗口的数据,计算二者之间的相干系精配准过程获取了从影像相对于主影像的配准参数后,需要对所有从影像进行重采样,使从影像上的每一个像元值精确对应于主影像上的每一个像元。数,然后在一定的搜索范围内,在从影像上逐步移动窗口,计算每个窗口所对应的相干系数值,精配准过程获取了从影像相对于主影像的配准参数后,需要对所有从影像进行重采样,使从影像上的每一个像元值精确对应于主影像上的每一个像元,采用6点立方卷积插值可以提供较好的重采样精度。
S5、根据小基线原则生成差分干涉图:
根据时间基线阈值、空间基线阈值、平均相干性阈值,生成小基线干涉对。根据选取的小基线干涉组合,逐一生成序列干涉图。N幅配准后的SAR影像可获得M幅差分干涉出,干涉对数量M应满足下式:
地形起伏较大区域,必须借助外部DEM数据,去除地形起伏导致的地形相位的影响,获得差分干涉图,图3所示。
S6、点目标提取与构网:
每一个像元的差分干涉相位可以表示为地形相位、DEM误差、大气相位及噪声的组合,在后续的数据处理中可以逐项分离,最终获得点目标的形变量估计值。在时间序列的SAR数据上提取更多的稳健和可靠的稳定点目标是整个形变监测技术的关键步骤,直接影响形变速率的精确提取。
采用振幅离差法提取进行点目标提取,利用振幅离差与相位标准偏差之间的统计相关性进行提点。当σφ<0.25rad,即在高信噪比(g/σn>4)的条件下,相位标准偏差σφ近似等于振幅离差DA。
S7、稀疏网格解缠:
根据提取出的点目标,构建稀疏的格网,构网方法采用Delaunay三角网。采用最小费用流法进行相位解缠。最小费用流法是一种整体效果较好的解缠算法,其本质是基于网络流的相位解缠方法,将相位解缠问题转化为最小化问题,通过在全局范围内搜索路径和最短枝切来求得最小化问题的最优解。该算法虽然计算效率较低,但受噪声的影响较小,是一种稳定的、应用广泛的解缠算法。图4所示,解缠后的序列差分干涉图。
S8、大气相位的去除:
通过时间域和空间域滤波就可以来分离非线性形变和大气相位。各差分干涉图残余相位的均值可以作为主影像的大气相位,在时间域上的低通成分可以作为非线性形变的估计值,在时间域上的高通和空间域上的平滑可以作为在时间T获取的从影像上的大气相位APSslave,把从影像上的大气相位APSslave加到主影像的大气相位上就可以得到差分干涉图的大气相位。估计了出PSC点上的大气相位后,用Kriging插值来拟合并剔除差分干涉图上每一个像元的大气相位。图5所示,从影像大气相对于主影像大气的差分图。
S9、利用SVD方法计算沉降速率:
上述步骤中已获取对于从影像tA和主影像tB(tB>tA)时刻获取的SAR影像生成的第j幅差分干涉图,方位向坐标为x和距离向坐标为r的像素的干涉相位可以写成:
式中,j∈(1,...,M),λ是信号的中心波长,d(tB,x,r)和d(tA,x,r)是tB和tA时刻相对于d(t0,x,r)=0的雷达视线方向(LOS)的累积形变量。 Δnj(x,r)分别表示残余的地形相位、大气相位和相干噪声,去掉这些相关干涉后,可以将(1)式简化为:
将(2)式中相位表示为两个获取时间之间的平均相位速度和时间的乘积。
第j幅干涉图的相位值可以写成:
即各时段速度在主、从影像时间间隔上的积分。写成矩阵形式为:
Bv=δφ (5)
式(5)是一个M×N的矩阵。小基线集的差分干涉图采用了多主影像策略,因此矩阵B容易产生秩亏。采用奇异值分解(SVD)方法就可以得到矩阵B的广义逆矩阵,进而得到速度矢量的最小范数解,最后通过各个时间段内速度的积分就可以得到各个时间段的形变量。图6所示,垂直方向形变分布图。图7所示,点目标的各个时间段的形变量。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于小基线集的时间序列InSAR的滑坡早期识别方法,其特征在于,包括以下步骤:
S1、选取L波段的N+1幅SAR图像;
S2、SAR影像聚焦成像;
S3、公共影像选取;
S4、时间序列SAR影像配准及重采样;
S5、根据小基线原则生成差分干涉图;
S6、点目标提取与构网;
S7、稀疏网格解缠;
S8、大气相位的去除;
S9、利用SVD方法计算沉降速率。
2.根据权利要求1所述的基于小基线集的时间序列InSAR的滑坡早期识别方法,其特征在于,步骤S2具体为:采用距离多普勒算法进行聚焦成像,该算法通过插值运算来消除距离向和方位向耦合;距离多普勒算法包含如下几个处理步骤:
第一步:当数据处在方位时域时,利用快速卷积来进行距离压缩;方法就是先对距离向进行傅利叶变换,之后在频率域里对距离向进行匹配滤波,再经过距离向逆傅利叶变换生成距离压缩的数据;
第二步:对距离压缩后的数据,进行方位傅利叶变换后数据变换至距离多普勒域,多普勒中心频率估计以及大部分的后续处理都在该域进行;
第三步:在距离多普勒域进行随军距离时间及方位频率变化的距离徙动校正,使该域中同一距离上的一组目标轨迹相互重合;经过校正后,距离徙动曲线就可以拉直到与方位频率轴平行的方向;
第四步:通过每一距离门上的频域匹配滤波实现方位压缩;
第五步:最后通过方位逆傅利叶将数据变换回时域,得到压缩后的复图像;如果需要,一般还可以进行幅度检测和多视叠加。
3.根据权利要求1所述的基于小基线集的时间序列InSAR的滑坡早期识别方法,其特征在于,步骤S3具体为:基于时间序列的SAR影像的分析技术,首先由SAR影像生成一系列的干涉影像图,具体来说,先从覆盖同一地区的SAR影像中选取一幅公共主影像,其余影像作为从影像与主影像配准并重采样,然后才能生成序列干涉图;公共主影像的选取采用总体相干系数最优法;总体相干系数ρtotal由时间相干性ρtemporal、空间相干性ρspatial、多普勒相干性ρDoppler和热噪声相干ρthermal性决定,可用下式表示:
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&rho;</mi>
<mrow>
<mi>t</mi>
<mi>o</mi>
<mi>t</mi>
<mi>a</mi>
<mi>l</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>&rho;</mi>
<mrow>
<mi>t</mi>
<mi>e</mi>
<mi>m</mi>
<mi>p</mi>
<mi>o</mi>
<mi>r</mi>
<mi>a</mi>
<mi>l</mi>
</mrow>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>&rho;</mi>
<mrow>
<mi>s</mi>
<mi>p</mi>
<mi>a</mi>
<mi>t</mi>
<mi>i</mi>
<mi>a</mi>
<mi>l</mi>
</mrow>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>&rho;</mi>
<mrow>
<mi>D</mi>
<mi>o</mi>
<mi>p</mi>
<mi>p</mi>
<mi>l</mi>
<mi>e</mi>
<mi>r</mi>
</mrow>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>&rho;</mi>
<mrow>
<mi>t</mi>
<mi>h</mi>
<mi>e</mi>
<mi>r</mi>
<mi>m</mi>
<mi>a</mi>
<mi>l</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>&ap;</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>f</mi>
<mo>(</mo>
<mfrac>
<mi>T</mi>
<msub>
<mi>T</mi>
<mi>c</mi>
</msub>
</mfrac>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>f</mi>
<mo>(</mo>
<mfrac>
<msub>
<mi>T</mi>
<mo>&perp;</mo>
</msub>
<msubsup>
<mi>T</mi>
<mo>&perp;</mo>
<mi>c</mi>
</msubsup>
</mfrac>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>f</mi>
<mo>(</mo>
<mfrac>
<msub>
<mi>F</mi>
<mrow>
<mi>D</mi>
<mi>C</mi>
</mrow>
</msub>
<msubsup>
<mi>F</mi>
<mrow>
<mi>D</mi>
<mi>C</mi>
</mrow>
<mi>c</mi>
</msubsup>
</mfrac>
<mo>)</mo>
<mo>)</mo>
</mrow>
<msub>
<mi>&rho;</mi>
<mrow>
<mi>t</mi>
<mi>h</mi>
<mi>e</mi>
<mi>r</mi>
<mi>m</mi>
<mi>a</mi>
<mi>l</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中
Tc,和分别为去相干的时间基线、空间垂直基线和多普勒基线的临界值;总体相干系数也作为选择干涉影像对的评价标准,提取出总体相干系数较高的干涉图,组成短时间序列干涉相位。
4.根据权利要求1所述的基于小基线集的时间序列InSAR的滑坡早期识别方法,其特征在于,步骤S4具体为:选取主影像之后,需要通过序列SAR影像配准算法,将所有从影像配准到主影像的几何参数,然后对所有从影像进行重采样;影像配准是时间序列InSAR的关键步骤,影像配准采用多级配准的策略,先利用卫星轨道参数计算从影像相对主影像在方位向和距离向的偏移量,再以粗配准得到的偏移量作为精配准的初始值,进行精配准,采用相干系数法进行配准,在初步确定同名点后,在主影像上以该像元点为中心取大小为M×N的矩形窗口内的数据,对应在从影像上以待配准点为中心取出相同大小窗口的数据,计算二者之间的相干系精配准过程获取了从影像相对于主影像的配准参数后,需要对所有从影像进行重采样,使从影像上的每一个像元值精确对应于主影像上的每一个像元;然后在一定的搜索范围内,在从影像上逐步移动窗口,计算每个窗口所对应的相干系数值,精配准过程获取了从影像相对于主影像的配准参数后,需要对所有从影像进行重采样,使从影像上的每一个像元值精确对应于主影像上的每一个像元,采用6点立方卷积插值可以提供较好的重采样精度。
5.根据权利要求1所述的基于小基线集的时间序列InSAR的滑坡早期识别方法,其特征在于,步骤S5具体为:根据时间基线阈值、空间基线阈值、平均相干性阈值,生成小基线干涉对;根据选取的小基线干涉组合,逐一生成序列干涉图;N幅配准后的SAR影像可获得M幅差分干涉出,干涉对数量M应满足下式:
<mrow>
<mfrac>
<mrow>
<mi>N</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mn>2</mn>
</mfrac>
<mo>&le;</mo>
<mi>M</mi>
<mo>&le;</mo>
<mi>N</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mi>N</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mn>2</mn>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
地形起伏较大区域,必须借助外部DEM数据,去除地形起伏导致的地形相位的影响,获得差分干涉图。
6.根据权利要求1所述的基于小基线集的时间序列InSAR的滑坡早期识别方法,其特征在于,步骤S6具体为:每一个像元的差分干涉相位可以表示为地形相位、DEM误差、大气相位及噪声的组合,在后续的数据处理中可以逐项分离,最终获得点目标的形变量估计值;在时间序列的SAR数据上提取更多的稳健和可靠的稳定点目标是整个形变监测技术的关键步骤,直接影响形变速率的精确提取;采用振幅离差法提取进行点目标提取,利用振幅离差与相位标准偏差之间的统计相关性进行提点。当σφ<0.25rad,即在高信噪比(g/σn>4)的条件下,相位标准偏差σφ近似等于振幅离差DA。
7.根据权利要求1所述的基于小基线集的时间序列InSAR的滑坡早期识别方法,其特征在于,步骤S7具体为:根据提取出的点目标,构建稀疏的格网,构网方法采用Delaunay三角网;采用最小费用流法进行相位解缠;最小费用流法是一种整体效果较好的解缠算法,其本质是基于网络流的相位解缠方法,将相位解缠问题转化为最小化问题,通过在全局范围内搜索路径和最短枝切来求得最小化问题的最优解;该算法虽然计算效率较低,但受噪声的影响较小,是一种稳定的、应用广泛的解缠算法。
8.根据权利要求1所述的基于小基线集的时间序列InSAR的滑坡早期识别方法,其特征在于,步骤S8具体为:通过时间域和空间域滤波来分离非线性形变和大气相位;各差分干涉图残余相位的均值可以作为主影像的大气相位,在时间域上的低通成分可以作为非线性形变的估计值,在时间域上的高通和空间域上的平滑可以作为在时间T获取的从影像上的大气相位APSslave,把从影像上的大气相位APSslave加到主影像的大气相位上就可以得到差分干涉图的大气相位;估计了出PSC点上的大气相位后,用Kriging插值来拟合并剔除差分干涉图上每一个像元的大气相位。
9.根据权利要求1所述的基于小基线集的时间序列InSAR的滑坡早期识别方法,其特征在于,步骤S9具体为:上述步骤中已获取对于从影像tA和主影像tB(tB>tA)时刻获取的SAR影像生成的第j幅差分干涉图,方位向坐标为x和距离向坐标为r的像素的干涉相位可以写成:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&delta;&phi;</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>r</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>&phi;</mi>
<mi>B</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>r</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>&phi;</mi>
<mi>A</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>r</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>&ap;</mo>
<mfrac>
<mrow>
<mn>4</mn>
<mi>&pi;</mi>
</mrow>
<mi>&lambda;</mi>
</mfrac>
<mo>&lsqb;</mo>
<mi>d</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mi>B</mi>
</msub>
<mo>,</mo>
<mi>x</mi>
<mo>,</mo>
<mi>r</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>d</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mi>A</mi>
</msub>
<mo>,</mo>
<mi>x</mi>
<mo>,</mo>
<mi>r</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>+</mo>
<msubsup>
<mi>&Delta;&phi;</mi>
<mi>j</mi>
<mrow>
<mi>t</mi>
<mi>o</mi>
<mi>p</mi>
<mi>o</mi>
</mrow>
</msubsup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>r</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msubsup>
<mi>&Delta;&phi;</mi>
<mi>j</mi>
<mrow>
<mi>a</mi>
<mi>t</mi>
<mi>m</mi>
</mrow>
</msubsup>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mi>B</mi>
</msub>
<mo>,</mo>
<msub>
<mi>t</mi>
<mi>A</mi>
</msub>
<mo>,</mo>
<mi>x</mi>
<mo>,</mo>
<mi>r</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>&Delta;n</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>r</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
式中,j∈(1,...,M),λ是信号的中心波长,d(tB,x,r)和d(tA,x,r)是tB和tA时刻相对于d(t0,x,r)=0的雷达视线方向(LOS)的累积形变量。Δnj(x,r)分别表示残余的地形相位、大气相位和相干噪声,去掉这些相关干涉后,可以将(1)式简化为:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&delta;&phi;</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>r</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>&phi;</mi>
<mi>B</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>r</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>&phi;</mi>
<mi>A</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>r</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>&ap;</mo>
<mfrac>
<mrow>
<mn>4</mn>
<mi>&pi;</mi>
</mrow>
<mi>&lambda;</mi>
</mfrac>
<mo>&lsqb;</mo>
<mi>d</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mi>B</mi>
</msub>
<mo>,</mo>
<mi>x</mi>
<mo>,</mo>
<mi>r</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>d</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mi>A</mi>
</msub>
<mo>,</mo>
<mi>x</mi>
<mo>,</mo>
<mi>r</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
将(2)式中相位表示为两个获取时间之间的平均相位速度和时间的乘积。
<mrow>
<msub>
<mi>v</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>&phi;</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<msub>
<mi>&phi;</mi>
<mrow>
<mi>j</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
<mrow>
<msub>
<mi>t</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<msub>
<mi>t</mi>
<mrow>
<mi>j</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
第j幅干涉图的相位值可以写成:
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<msub>
<mi>t</mi>
<mrow>
<mi>A</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>+</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>t</mi>
<mrow>
<mi>B</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mi>k</mi>
</msub>
<mo>-</mo>
<msub>
<mi>t</mi>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>v</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<msub>
<mi>&delta;&phi;</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
即各时段速度在主、从影像时间间隔上的积分。写成矩阵形式为:
Bv=δφ (5)
式(5)是一个M×N的矩阵。小基线集的差分干涉图采用了多主影像策略,因此矩阵B容易产生秩亏。采用奇异值分解(SVD)方法就可以得到矩阵B的广义逆矩阵,进而得到速度矢量的最小范数解,最后通过各个时间段内速度的积分就可以得到各个时间段的形变量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710306241.2A CN107132539A (zh) | 2017-05-03 | 2017-05-03 | 一种基于小基线集的时间序列InSAR的滑坡早期识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710306241.2A CN107132539A (zh) | 2017-05-03 | 2017-05-03 | 一种基于小基线集的时间序列InSAR的滑坡早期识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107132539A true CN107132539A (zh) | 2017-09-05 |
Family
ID=59716725
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710306241.2A Pending CN107132539A (zh) | 2017-05-03 | 2017-05-03 | 一种基于小基线集的时间序列InSAR的滑坡早期识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107132539A (zh) |
Cited By (42)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108073700A (zh) * | 2017-12-12 | 2018-05-25 | 清华大学 | 一种基于滑动窗口的数据可视化方法和*** |
CN108168526A (zh) * | 2017-12-15 | 2018-06-15 | 长安大学 | 一种基于地面沉降信息的黄土滑坡早期识别方法 |
CN108459318A (zh) * | 2018-02-02 | 2018-08-28 | 中国铁路设计集团有限公司 | 基于遥感技术的潜在滑坡早期识别方法 |
CN108508437A (zh) * | 2018-03-23 | 2018-09-07 | 西安电子科技大学 | 基于时间变标的合成孔径雷达成像方法 |
CN108627832A (zh) * | 2018-05-11 | 2018-10-09 | 电子科技大学 | 一种基于多时序sar图像提取输电通道地表形变的方法 |
CN108663017A (zh) * | 2018-08-13 | 2018-10-16 | 伟志股份公司 | 一种监测城市地铁沿线地表沉降的方法 |
CN108802727A (zh) * | 2018-04-13 | 2018-11-13 | 长沙理工大学 | 一种顾及流变参数的时序InSAR公路形变监测模型及解算方法 |
CN108801211A (zh) * | 2018-04-08 | 2018-11-13 | 山东农业大学 | 一种采煤沉陷区insar影像快速识别方法 |
CN108957456A (zh) * | 2018-08-13 | 2018-12-07 | 伟志股份公司 | 基于多数据源sbas技术的滑坡监测和早期识别方法 |
CN108983233A (zh) * | 2018-06-13 | 2018-12-11 | 四川大学 | GB-InSAR数据处理中的PS点组合选取方法 |
CN109031301A (zh) * | 2018-09-26 | 2018-12-18 | 云南电网有限责任公司电力科学研究院 | 基于PSInSAR技术的山区地形形变提取方法 |
CN109165622A (zh) * | 2018-09-06 | 2019-01-08 | 中国地质环境监测院 | 基于InSAR技术的区域滑坡早期动态识别监测有效区域确定方法 |
CN109509219A (zh) * | 2018-12-28 | 2019-03-22 | 河海大学 | 基于最小生成树的InSAR时序影像集合的配准方法 |
CN109541592A (zh) * | 2018-10-30 | 2019-03-29 | 长安大学 | 基于InSAR多维形变信息的黄土滑坡类型及滑动模式分析方法 |
CN110120046A (zh) * | 2019-03-27 | 2019-08-13 | 长安大学 | 一种融合dem、光学遥感和形变信息的潜在滑坡识别方法 |
CN110673145A (zh) * | 2019-10-24 | 2020-01-10 | 中国地质大学(北京) | 一种基于间断相干的InSAR地表形变监测方法及*** |
CN110781862A (zh) * | 2019-11-07 | 2020-02-11 | 航天信德智图(北京)科技有限公司 | 一种基于多光谱影像的森林乔木灌木识别方法 |
CN110927723A (zh) * | 2019-11-11 | 2020-03-27 | 中国地质环境监测院 | 毫米波雷达泥石流智能监测预警***与方法 |
CN111142119A (zh) * | 2020-01-10 | 2020-05-12 | 中国地质大学(北京) | 一种基于多源遥感数据的矿山地质灾害动态识别与监测方法 |
CN111174689A (zh) * | 2020-03-04 | 2020-05-19 | 广东明源勘测设计有限公司 | 一种桥梁形变监测方法 |
CN111243240A (zh) * | 2020-01-20 | 2020-06-05 | 内蒙古工业大学 | 一种滑坡预警方法及装置 |
CN111476197A (zh) * | 2020-04-24 | 2020-07-31 | 中科天盛卫星技术服务有限公司 | 基于多源卫星遥感影像油棕识别及面积提取的方法和*** |
CN111474544A (zh) * | 2020-03-04 | 2020-07-31 | 广东明源勘测设计有限公司 | 一种基于sar数据的滑坡形变监测及预警方法 |
CN111524323A (zh) * | 2020-04-29 | 2020-08-11 | 中国水利水电科学研究院 | 一种边坡裂变预警方法及*** |
CN111598929A (zh) * | 2020-04-26 | 2020-08-28 | 云南电网有限责任公司电力科学研究院 | 基于时序差分干涉合成孔径雷达数据的二维解缠方法 |
CN111736152A (zh) * | 2020-08-17 | 2020-10-02 | 深圳大学 | 一种道路边坡稳定性监测方法及车载平台装置 |
CN111968230A (zh) * | 2020-07-16 | 2020-11-20 | 中国自然资源航空物探遥感中心 | 一种区域性活动滑坡识别与圈定方法、装置和设备 |
CN111998766A (zh) * | 2020-08-31 | 2020-11-27 | 同济大学 | 一种基于时序InSAR技术的地表形变反演方法 |
CN112213723A (zh) * | 2020-09-11 | 2021-01-12 | 速度时空信息科技股份有限公司 | 一种利用sbas技术进行滑坡实时监测的方法 |
CN112669334A (zh) * | 2021-01-15 | 2021-04-16 | 四川大学 | 一种用于大坝及滑坡gb-sar监测的实时数据处理方法及*** |
CN112986988A (zh) * | 2021-01-25 | 2021-06-18 | 中国电子科技集团公司第二十九研究所 | 一种特殊地形条件下sar干涉测量形变量解析方法 |
CN112986993A (zh) * | 2021-02-07 | 2021-06-18 | 同济大学 | 一种基于空间约束的InSAR形变监测方法 |
CN113159174A (zh) * | 2021-04-21 | 2021-07-23 | 云南师范大学 | 无控制点的dem匹配与形变量探测方法及装置 |
CN113192086A (zh) * | 2021-05-11 | 2021-07-30 | 中国自然资源航空物探遥感中心 | 地质灾害隐患变形强度分布图的生成方法和存储介质 |
CN113340191A (zh) * | 2021-04-08 | 2021-09-03 | 河北省高速公路延崇筹建处 | 时间序列干涉sar的形变量测量方法及sar*** |
CN113534154A (zh) * | 2021-09-16 | 2021-10-22 | 成都理工大学 | 一种sar视线向变形与坡度坡向敏感度计算方法 |
CN114440758A (zh) * | 2022-01-09 | 2022-05-06 | 西北大学 | 一种区域尺度上滑坡对降雨响应的分析方法 |
CN114624708A (zh) * | 2022-05-16 | 2022-06-14 | 中山大学 | 一种复杂环境下的大气校正方法及*** |
CN115343710A (zh) * | 2022-07-11 | 2022-11-15 | 中国地质大学(武汉) | 基于多平台时序InSAR的数据融合及冻融监测方法及装置 |
CN115630492A (zh) * | 2022-10-12 | 2023-01-20 | 中交第二公路勘察设计研究院有限公司 | 隧道衬砌病害变化特征智能反演方法、***及存储介质 |
CN116434072A (zh) * | 2023-06-12 | 2023-07-14 | 山东省国土空间生态修复中心(山东省地质灾害防治技术指导中心、山东省土地储备中心) | 基于多源数据的地质灾害早期识别方法、装置 |
CN116642440A (zh) * | 2023-05-05 | 2023-08-25 | 首都师范大学 | 一种基于小波滤波的小基线集干涉测量方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106066478A (zh) * | 2016-05-27 | 2016-11-02 | 中国矿业大学 | 融合像元偏移跟踪和短基线集的矿区地表形变解算方法 |
-
2017
- 2017-05-03 CN CN201710306241.2A patent/CN107132539A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106066478A (zh) * | 2016-05-27 | 2016-11-02 | 中国矿业大学 | 融合像元偏移跟踪和短基线集的矿区地表形变解算方法 |
Non-Patent Citations (3)
Title |
---|
刘广全: ""基于SBAS-InSAR的丹巴县滑坡探测与监测"", 《中国优秀硕士学位论文全文数据库基础科学辑》 * |
刘德全: "《空中目标ISAR实时成像技术研究》", 31 December 2014 * |
秦晓琼等: ""应用高分辨率PS-InSAR技术监测上海动迁房歪斜形变"", 《测绘通报》 * |
Cited By (65)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108073700A (zh) * | 2017-12-12 | 2018-05-25 | 清华大学 | 一种基于滑动窗口的数据可视化方法和*** |
CN108168526B (zh) * | 2017-12-15 | 2020-09-01 | 长安大学 | 一种基于地面沉降信息的黄土滑坡早期识别方法 |
CN108168526A (zh) * | 2017-12-15 | 2018-06-15 | 长安大学 | 一种基于地面沉降信息的黄土滑坡早期识别方法 |
CN108459318A (zh) * | 2018-02-02 | 2018-08-28 | 中国铁路设计集团有限公司 | 基于遥感技术的潜在滑坡早期识别方法 |
CN108508437A (zh) * | 2018-03-23 | 2018-09-07 | 西安电子科技大学 | 基于时间变标的合成孔径雷达成像方法 |
CN108508437B (zh) * | 2018-03-23 | 2021-08-20 | 西安电子科技大学 | 基于时间变标的合成孔径雷达成像方法 |
CN108801211A (zh) * | 2018-04-08 | 2018-11-13 | 山东农业大学 | 一种采煤沉陷区insar影像快速识别方法 |
CN108802727A (zh) * | 2018-04-13 | 2018-11-13 | 长沙理工大学 | 一种顾及流变参数的时序InSAR公路形变监测模型及解算方法 |
CN108627832A (zh) * | 2018-05-11 | 2018-10-09 | 电子科技大学 | 一种基于多时序sar图像提取输电通道地表形变的方法 |
CN108983233A (zh) * | 2018-06-13 | 2018-12-11 | 四川大学 | GB-InSAR数据处理中的PS点组合选取方法 |
CN108957456A (zh) * | 2018-08-13 | 2018-12-07 | 伟志股份公司 | 基于多数据源sbas技术的滑坡监测和早期识别方法 |
CN108957456B (zh) * | 2018-08-13 | 2020-09-04 | 伟志股份公司 | 基于多数据源sbas技术的滑坡监测和早期识别方法 |
CN108663017A (zh) * | 2018-08-13 | 2018-10-16 | 伟志股份公司 | 一种监测城市地铁沿线地表沉降的方法 |
CN109165622A (zh) * | 2018-09-06 | 2019-01-08 | 中国地质环境监测院 | 基于InSAR技术的区域滑坡早期动态识别监测有效区域确定方法 |
CN109165622B (zh) * | 2018-09-06 | 2021-10-01 | 中国地质环境监测院 | 基于InSAR技术的区域滑坡早期动态识别监测有效区域确定方法 |
CN109031301A (zh) * | 2018-09-26 | 2018-12-18 | 云南电网有限责任公司电力科学研究院 | 基于PSInSAR技术的山区地形形变提取方法 |
CN109541592A (zh) * | 2018-10-30 | 2019-03-29 | 长安大学 | 基于InSAR多维形变信息的黄土滑坡类型及滑动模式分析方法 |
CN109509219A (zh) * | 2018-12-28 | 2019-03-22 | 河海大学 | 基于最小生成树的InSAR时序影像集合的配准方法 |
CN109509219B (zh) * | 2018-12-28 | 2022-08-26 | 河海大学 | 基于最小生成树的InSAR时序影像集合的配准方法 |
CN110120046B (zh) * | 2019-03-27 | 2022-09-16 | 长安大学 | 一种融合dem、光学遥感和形变信息的潜在滑坡识别方法 |
CN110120046A (zh) * | 2019-03-27 | 2019-08-13 | 长安大学 | 一种融合dem、光学遥感和形变信息的潜在滑坡识别方法 |
CN110673145A (zh) * | 2019-10-24 | 2020-01-10 | 中国地质大学(北京) | 一种基于间断相干的InSAR地表形变监测方法及*** |
CN110781862A (zh) * | 2019-11-07 | 2020-02-11 | 航天信德智图(北京)科技有限公司 | 一种基于多光谱影像的森林乔木灌木识别方法 |
CN110927723A (zh) * | 2019-11-11 | 2020-03-27 | 中国地质环境监测院 | 毫米波雷达泥石流智能监测预警***与方法 |
CN110927723B (zh) * | 2019-11-11 | 2021-01-01 | 中国地质环境监测院 | 毫米波雷达泥石流智能监测预警***与方法 |
CN111142119A (zh) * | 2020-01-10 | 2020-05-12 | 中国地质大学(北京) | 一种基于多源遥感数据的矿山地质灾害动态识别与监测方法 |
CN111142119B (zh) * | 2020-01-10 | 2021-08-17 | 中国地质大学(北京) | 一种基于多源遥感数据的矿山地质灾害动态识别与监测方法 |
CN111243240A (zh) * | 2020-01-20 | 2020-06-05 | 内蒙古工业大学 | 一种滑坡预警方法及装置 |
CN111243240B (zh) * | 2020-01-20 | 2021-09-10 | 内蒙古工业大学 | 一种滑坡预警方法及装置 |
CN111474544A (zh) * | 2020-03-04 | 2020-07-31 | 广东明源勘测设计有限公司 | 一种基于sar数据的滑坡形变监测及预警方法 |
CN111174689A (zh) * | 2020-03-04 | 2020-05-19 | 广东明源勘测设计有限公司 | 一种桥梁形变监测方法 |
CN111476197A (zh) * | 2020-04-24 | 2020-07-31 | 中科天盛卫星技术服务有限公司 | 基于多源卫星遥感影像油棕识别及面积提取的方法和*** |
CN111598929A (zh) * | 2020-04-26 | 2020-08-28 | 云南电网有限责任公司电力科学研究院 | 基于时序差分干涉合成孔径雷达数据的二维解缠方法 |
CN111598929B (zh) * | 2020-04-26 | 2023-02-17 | 云南电网有限责任公司电力科学研究院 | 基于时序差分干涉合成孔径雷达数据的二维解缠方法 |
CN111524323A (zh) * | 2020-04-29 | 2020-08-11 | 中国水利水电科学研究院 | 一种边坡裂变预警方法及*** |
CN111968230A (zh) * | 2020-07-16 | 2020-11-20 | 中国自然资源航空物探遥感中心 | 一种区域性活动滑坡识别与圈定方法、装置和设备 |
CN111736152B (zh) * | 2020-08-17 | 2020-12-22 | 深圳大学 | 一种道路边坡稳定性监测方法及车载平台装置 |
CN111736152A (zh) * | 2020-08-17 | 2020-10-02 | 深圳大学 | 一种道路边坡稳定性监测方法及车载平台装置 |
CN111998766A (zh) * | 2020-08-31 | 2020-11-27 | 同济大学 | 一种基于时序InSAR技术的地表形变反演方法 |
CN111998766B (zh) * | 2020-08-31 | 2021-10-15 | 同济大学 | 一种基于时序InSAR技术的地表形变反演方法 |
CN112213723A (zh) * | 2020-09-11 | 2021-01-12 | 速度时空信息科技股份有限公司 | 一种利用sbas技术进行滑坡实时监测的方法 |
CN112669334B (zh) * | 2021-01-15 | 2023-07-04 | 四川大学 | 一种用于大坝及滑坡gb-sar监测的实时数据处理方法及*** |
CN112669334A (zh) * | 2021-01-15 | 2021-04-16 | 四川大学 | 一种用于大坝及滑坡gb-sar监测的实时数据处理方法及*** |
CN112986988B (zh) * | 2021-01-25 | 2022-09-20 | 中国电子科技集团公司第二十九研究所 | 一种特殊地形条件下sar干涉测量形变量解析方法 |
CN112986988A (zh) * | 2021-01-25 | 2021-06-18 | 中国电子科技集团公司第二十九研究所 | 一种特殊地形条件下sar干涉测量形变量解析方法 |
CN112986993B (zh) * | 2021-02-07 | 2022-10-25 | 同济大学 | 一种基于空间约束的InSAR形变监测方法 |
CN112986993A (zh) * | 2021-02-07 | 2021-06-18 | 同济大学 | 一种基于空间约束的InSAR形变监测方法 |
CN113340191A (zh) * | 2021-04-08 | 2021-09-03 | 河北省高速公路延崇筹建处 | 时间序列干涉sar的形变量测量方法及sar*** |
CN113340191B (zh) * | 2021-04-08 | 2023-01-17 | 河北省高速公路延崇筹建处 | 时间序列干涉sar的形变量测量方法及sar*** |
CN113159174B (zh) * | 2021-04-21 | 2022-05-06 | 云南师范大学 | 无控制点的dem匹配与形变量探测方法及装置 |
CN113159174A (zh) * | 2021-04-21 | 2021-07-23 | 云南师范大学 | 无控制点的dem匹配与形变量探测方法及装置 |
CN113192086B (zh) * | 2021-05-11 | 2022-01-28 | 中国自然资源航空物探遥感中心 | 地质灾害隐患变形强度分布图的生成方法和存储介质 |
CN113192086A (zh) * | 2021-05-11 | 2021-07-30 | 中国自然资源航空物探遥感中心 | 地质灾害隐患变形强度分布图的生成方法和存储介质 |
CN113534154B (zh) * | 2021-09-16 | 2021-11-30 | 成都理工大学 | 一种sar视线向变形与坡度坡向敏感度计算方法 |
CN113534154A (zh) * | 2021-09-16 | 2021-10-22 | 成都理工大学 | 一种sar视线向变形与坡度坡向敏感度计算方法 |
CN114440758A (zh) * | 2022-01-09 | 2022-05-06 | 西北大学 | 一种区域尺度上滑坡对降雨响应的分析方法 |
CN114624708A (zh) * | 2022-05-16 | 2022-06-14 | 中山大学 | 一种复杂环境下的大气校正方法及*** |
CN115343710A (zh) * | 2022-07-11 | 2022-11-15 | 中国地质大学(武汉) | 基于多平台时序InSAR的数据融合及冻融监测方法及装置 |
CN115343710B (zh) * | 2022-07-11 | 2024-04-16 | 中国地质大学(武汉) | 基于多平台时序InSAR的数据融合及冻融监测方法及装置 |
CN115630492A (zh) * | 2022-10-12 | 2023-01-20 | 中交第二公路勘察设计研究院有限公司 | 隧道衬砌病害变化特征智能反演方法、***及存储介质 |
CN115630492B (zh) * | 2022-10-12 | 2023-12-19 | 中交第二公路勘察设计研究院有限公司 | 隧道衬砌病害变化特征智能反演方法、***及存储介质 |
CN116642440A (zh) * | 2023-05-05 | 2023-08-25 | 首都师范大学 | 一种基于小波滤波的小基线集干涉测量方法 |
CN116642440B (zh) * | 2023-05-05 | 2024-07-23 | 首都师范大学 | 一种基于小波滤波的小基线集干涉测量方法 |
CN116434072A (zh) * | 2023-06-12 | 2023-07-14 | 山东省国土空间生态修复中心(山东省地质灾害防治技术指导中心、山东省土地储备中心) | 基于多源数据的地质灾害早期识别方法、装置 |
CN116434072B (zh) * | 2023-06-12 | 2023-08-18 | 山东省国土空间生态修复中心(山东省地质灾害防治技术指导中心、山东省土地储备中心) | 基于多源数据的地质灾害早期识别方法、装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107132539A (zh) | 一种基于小基线集的时间序列InSAR的滑坡早期识别方法 | |
Jebur et al. | Detection of vertical slope movement in highly vegetated tropical area of Gunung pass landslide, Malaysia, using L-band InSAR technique | |
CN113866764B (zh) | 基于InSAR和LR-IOE模型的滑坡易发性改进评估方法 | |
CN104867126A (zh) | 基于点对约束和三角形网的有变化区域的合成孔径雷达图像配准方法 | |
CN106940443A (zh) | 多云多雨条件下复杂城区基础设施PSInSAR形变估计方法 | |
Spigai et al. | Time-frequency analysis in high-resolution SAR imagery | |
CN102621549B (zh) | 多基线/多频段干涉相位解缠频域快速算法 | |
CN109031301A (zh) | 基于PSInSAR技术的山区地形形变提取方法 | |
CN101551455A (zh) | 干涉合成孔径雷达三维地形成像***及其高程测绘方法 | |
CN102472815A (zh) | 对从在相同区域上采集的sar图像获得的干涉图进行滤波的方法 | |
CN104007439B (zh) | 一种干涉圆迹sar高程估计处理方法 | |
CN103454636B (zh) | 基于多像素协方差矩阵的差分干涉相位估计方法 | |
CN108627832A (zh) | 一种基于多时序sar图像提取输电通道地表形变的方法 | |
CN110161501A (zh) | 一种多时序sar图像的目标区域地表起伏信息提取方法 | |
CN116299455A (zh) | 基于PSInSAR与SqueeSAR的设施形变分析方法 | |
CN112685819A (zh) | 一种用于大坝及滑坡变形gb-sar监测的数据后处理方法及*** | |
CN107064933A (zh) | 基于循环谱估计的sar层析建筑物高度的方法 | |
Hu et al. | Deep learning-based homogeneous pixel selection for multitemporal SAR interferometry | |
CN104199091A (zh) | 基于方位地震数据的纹理属性方法 | |
Pérez-Falls et al. | Land subsidence in Villahermosa Tabasco Mexico, using radar interferometry | |
Fu et al. | Study on accuracy assessment of DEM in the marsh using with interferometric Palsar, SENTINEL-1A and Terrasar-X images | |
CN107907881A (zh) | 一种长孔径星载sar地形估计方法 | |
Cheng et al. | Generation of pixel-level SAR image time series using a locally adaptive matching technique | |
Jiang et al. | Monitoring of landslide deformation based on InSAR | |
CN113781529B (zh) | 一种两次分块策略的广域sar复图像序列快速配准方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170905 |